Machine Learning
- Todo projeto de ML é um projeto de Ciencia de Dados, porém nem todo projeto de Ciência de Dados é um projeto de ML. Machine Learning pode ou não ser usado dependendo do objetivo final do projeto de Data Science.
- Subcampo da Inteligência Artificial, ele permite dar aos computadores a habilidade de aprender sem que sejam explicitamente programados para isso.
- Método de análise de dados que automatiza o desenvolvimento de modelos analíticos. Usando algoritmos que aprendem a partir de dados, permite que os computadores encontrem padrões (que já existem) ocultos sem que sejam explicitamente programados para procurar algo específico.
- Casos os dados analisados não possuam padrões, a acertividade do algoritmo de ML será muito baixa, é necessário que existam padrões que possam ser explorados e encontrados pelo algoritmo.
- Deep Learning: Aprendizado profundo, é o que mais se asemelha ao aprendizado humano, utilizado em projetos complexos de visão computacional e processamento de linguagem natural.
- Um algoritmo de machine learning recebe dados históricos (faze de treinamento) e resulta em um modelo preditivo (fórmula matemática), esse modelo então está preparado para receber dados novos e resultar em previsões acertivas com base no treinamento.
- É o tipo mais comum, fazem previsões com base em conjuntos de exemplos (dados históricos utilizados para treinar/ensinar o algoritmo). Os dados históricos são essenciais, parte fundamental para o funcionamento do algoritmo de Machine Learning. Nesse tipo de aprendizagem, os dados utilizados para treinamento devem possuir resultado final, por exemplo, Fator X + Fator Y gerou Fator Resultado.
- Exemplo: Entrada com dados de características clínicas de pacientes e também com o resultado/variável target (variável de saída) se ao longo da vida eles tiveram diabetes ou não querendo saber quem está mais propenso a ter diabetes. A partir dessas informações o modelo resultará em uma resposta SIM ou NÃO para a pessoa desenvolver ou não a doença.
- Duas categorias:
- Classificação: Utilizada quando se quer prever uma classe/categoria. Exemplo: Prever se um paciente vai ou não desenvolver diabetes, resposta SIM ou NÃO (essa resposta é uma classe).
- Regressão: Utilizada quando ser quer prever um valor númerico. Exemplo: Prever o valor de um imóvel (resposta numérica).
- Nesse tipo de aprendizagem os dados históricos utilizados não precisam ter o Fator Resultado. Logo, podemos dizer que quando não tenho o resultado nos dados históricos eu não posso utilizar a aprendizagem Supervisionada, mas posso utilizar a Não Superviosionada.
- O algoritmo aqui parte dos dados históricos e identifica diferentes grupos dentro do mesmos (por similaridade, algoritmos de distância), esses diferentes grupos encontrados com suas diferentes características podem explicitar um resultado.
- Exemplo: Entrada com dados de características clínicas de pacientes procurando saber quem está mais propenso a ter diabetes (nota-se que aqui não temos o resultado/variável de saída), nesse tipo de aprendizagem o algoritmo terá como resultado diferentes grupos que possuem pacientes com características semelhantes entre si. A partir desses grupos podem ser feitas conclusões ou os mesmos podem ser utilizados para criação de labels para uso na Aprendizagem Supervisionada.
- Muito utilizada para mineração de dados, considerando que na maioria das vezes não sei o que quero encontrar nesses dados, então o algoritmo identifica esses padrões e classifica os mesmos.
- Um agente é treinado em um ambiente e toma ações com base em políticas. A cada ação que maximiza o objetivo o agente recebe uma recompensa, aprendendo assim a melhor forma de chegar no objetivo. É algo similiar a tentativa e erro dos humanos.
- Muito utilizada em robótica, games e robôs investidores.
- Forma de aprendizado mais "complexa" do que a Supervisionada e Não Supervisionada.
- A principal técnica utilizada em aplicações de IA atuais.
- É uma subcategoria de Machine Learning e também das Redes Neurais.
- Posso ter algoritmos de Deep Learning em aprendizado Supervisionado e Não Supervisionado.
- Alto nível de precisão.
- Definido como “uma prática de colaboração e comunicação entre Cientistas de Dados e profissionais de operações para ajudar a gerenciar o ciclo de vida de modelos de Machine Learning em produção.
- Envolve todo o processo para se chegar em um Modelo de Aprendizagem de Máquina que funciona da forma esperada.
- São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento, buscando "imitar" o processamento do cérebro humano.